I.3Извлечение и структурирование данных

Albertina 100M PTBR — энкодер для бразильского варианта португальского языка, разработанный совместной командой Университета Лиссабона и Университета Порту. Это модель семейства BERT на архитектуре DeBERTa с 151,8 млн параметров по метаданным; карточка описывает базовую версию как модель примерно на 100 млн параметров с 12 слоями и размером скрытого состояния 768. Модель принимает текст и предсказывает пропущенные в нём токены, а также может служить основой для задач понимания португальского языка. Модель обучали на 3,7 млрд токенов отфильтрованных веб-документов OSCAR с отбором доменов Бразилии. В карточке приведены результаты оценки на португальской версии набора PLUE для сходства предложений, распознавания следования и кореференции. Контекст составляет до 512 токенов, формат распространения — PyTorch и Safetensors. Модель доступна по лицензии MIT. Результаты карточки относятся к отдельным downstream-тестам и не гарантируют качество на других данных и задачах.

batisay-ko-large 1.1 — BatiAI әзірлеген, корей тіліндегі сөйлеуді мәтінге айналдыруға арналған Whisper Large v3 негізіндегі модель. Ол KsponSpeech, Zeroth және AI Hub деректерімен, соның ішінде көпсалалы сөйлеу және 8 кГц телефон жазбаларымен дообучен; базалық Whisper Large v3 шамамен 1,55 млрд параметрден тұрады. Модель жиналыс, дәріс, сұхбат, диктовка, телефон қоңырауы және медиаға субтитр дайындау транскрипциясына бағытталған. Карточкада таза сөйлеу, шулы жазбалар және бірнеше домен бойынша CER бенчмарктары берілген. Қысқа клиптер мен құжаттық/пакеттік транскрипцияға дәлдігі басым; ұзақ қоңыраулар мен ағындық жұмысқа автор жеңілірек turbo нұсқасын ұсынады. Whisper Large өлшемі есептеу ресурстарын көбірек қажет етеді. Репозиторийде safetensors форматы көрсетілген, ал README-де басқа кванттау нұсқалары және whisper.cpp, Transformers арқылы іске қосу жолдары аталады. Лицензиясы — BatiAI Community v2 («other» метадерегінде). Транскрипцияда сирек жеке әріптер қалып қоюы мүмкін; оларды кейінгі өңдеуде алып тастау ұсынылады.

Belle-distilwhisper-large-v2-zh — модель распознавания речи, разработанная BELLE-2 на основе distilwhisper-large-v2 и дообученная для улучшения распознавания китайской речи. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 905,2 млн параметров; для работы с аудио использует частоту дискретизации 16 кГц. Модель предназначена для преобразования китайской речи в текст, в том числе в записях с тестовых наборов AISHELL-1, AISHELL-2, WenetSpeech и HKUST. В README указано, что она в 5,8 раза быстрее whisper-large-v2 и имеет на 51% меньше параметров; приведённые результаты CER зависят от тестового набора и не показывают улучшение на каждом из них. Модель доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не приводит длину контекста или отдельные сведения о поддержке других языков, поэтому здесь они не заявляются.

hilariooliveira/bertimbau_base — дообученная модель классификации текста на основе neuralmind/bert-base-portuguese-cased. Она использует архитектуру BERT с примерно 136,1 млн параметров и принимает последовательности длиной до 512 токенов. По карточке модели, на оценочном наборе получены loss 0,1139 и F1 0,9310. Назначение модели — классификация текстов; конкретные классы, данные обучения и сценарии применения не описаны. Модель распространяется по лицензии MIT.

Это мультимодальная модель CLIP ConvNeXt-Large-D, обученная Россом Уайтманом с помощью OpenCLIP на англоязычной подвыборке LAION-2B. Она сопоставляет изображения и текст, чтобы классифицировать изображения по заданным текстовым категориям без отдельного дообучения на этих категориях, а также выполнять поиск изображений по текстовому запросу и текста по изображению. Визуальная часть основана на ConvNeXt-Large и принимает изображения с разрешением 320 × 320 пикселей; текстовая часть имеет 16 слоёв и размерность эмбеддингов 768. По данным README, модель дообучена с повышением разрешения с 256 до 320 пикселей, а точность zero-shot классификации ImageNet составляет 76,6%. Модель рассчитана на английские сценарии: её не обучали и не оценивали целенаправленно на других языках. В README модель позиционируется для исследований и не рекомендуется для развёрнутого применения без тщательной проверки на конкретной задаче и фиксированном наборе классов. Применение для наблюдения и распознавания лиц указано как недопустимое; возможны ошибки и смещения, связанные с данными и формулировками классов. Лицензия — MIT.

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup — мультимодальная модель семейства CLIP, обученная Ross Wightman с использованием OpenCLIP на английской подвыборке LAION-2B. Она сопоставляет изображения и текстовые описания в общем пространстве признаков и предназначена прежде всего для классификации изображений по текстовым меткам без дообучения, а также для поиска изображений по тексту и текстов по изображению. Визуальная часть построена на ConvNeXt-XXLarge из timm с проекционным слоем; текстовая часть имеет размерность 1024, 16 attention heads и 24 слоя. Вся модель содержит около 1,2 млрд параметров и обучалась на изображениях разрешением 256×256. В README указана точность 79,4% top-1 на ImageNet при zero-shot классификации. Модель рассчитана на англоязычные сценарии: обучение и оценка на других языках не проводились. В README не рекомендуют развёртывание без тщательной проверки на конкретной фиксированной таксономии классов; распознавание лиц и наблюдение прямо отнесены к недопустимым сценариям. Лицензия — MIT.

AbstractPhil разработал компактный визуальный энкодер CLIP, полученный дистилляцией модели ViT. Он формирует эмбеддинги изображений размерности 512, совместимые с текстовым энкодером CLIP-B/16 LAION-2B, и предназначен для извлечения признаков и сопоставления изображений с текстом. Архитектура включает 12 слоёв, скрытый размер 240, 4 головы внимания, CLS-токен и линейную проекционную голову; размер входа — 160×160 пикселей, патч — 16×16. В README указано 8,66 млн параметров, метаданные каталога сообщают 11,1 млн. Модель обучена дистилляцией на CC12M по консенсусу пяти CLIP-учителей; её выходы преобразуются фиксированным вращением в пространство целевого текстового энкодера. Это позволяет использовать её для получения признаков и zero-shot сопоставления, при существенно меньшем размере визуального энкодера, чем у CLIP-B/16. В опубликованных оценках качество zero-shot на CIFAR-10/100 составляет около 45–48% от учителя; результаты поиска по COCO ограничены оценкой на отложенной половине набора. Это исследовательский чекпойнт с ограниченной проверкой: в README отмечены два seed на целевую функцию, один размер модели и один набор условий обучения; требуемый авторами порог жизнеспособности не достигнут. Лицензия — Apache-2.0. Загрузка через Transformers требует `trust_remote_code=True`.

ghofrani/common6 — модель распознавания речи на базе архитектуры Wav2Vec2ForCTC, дообученная на датасете COMMON_VOICE для персидского языка. Она принимает аудио и преобразует речь в текст; на указанном в карточке наборе оценки показала WER 0,3421 и loss 0,3706. Размер модели — 402,8 млн параметров. Лицензия в предоставленных данных не указана.

Это веса визуального энкодера ConvNeXt-XXLarge из семейства CLIP, опубликованные командой timm. Модель предназначена для извлечения признаков изображений и представления их в виде векторов, пригодных для сравнения и поиска. Энкодер можно использовать как часть CLIP-сценариев, например для получения признаков изображений перед поиском или анализом. В репозитории указаны форматы PyTorch и safetensors и библиотека timm. Лицензия — Apache-2.0. В карточке указана только визуальная часть CLIP; сведений о текстовом энкодере, поддерживаемых языках, размере входа и ограничениях качества нет.

DaringMaid 13B GGUF — это квантизированная версия языковой модели DaringMaid 13B, разработанной Kooten и преобразованной в формат GGUF командой TheBloke. Модель основана на архитектуре Llama и предназначена для генерации текста по инструкциям; заявленный язык — английский. Она поддерживает сценарии локального запуска и инференса через совместимые инструменты, включая llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio и другие приложения, работающие с GGUF. Модель содержит 13 миллиардов параметров. В репозитории доступны варианты квантизации с разрядностью от 2 до 8 бит для инференса на CPU и GPU, что позволяет выбирать компромисс между качеством, требованиями к памяти и скоростью работы. Используется шаблон запросов Alpaca с секциями Instruction и Response. Сведения о поддерживаемых модальностях ограничены текстом, а размер контекста и подробные результаты оценки качества в README не указаны. Основные преимущества модели — локальный запуск, широкий выбор клиентов и библиотек, а также возможность адаптировать требования к ресурсам с помощью разных уровней квантизации. Ограничения включают отсутствие заявленной мультимодальности и неполные сведения о качестве, контекстном окне и целевых прикладных сценариях. Указана лицензия CC BY-NC 4.0 исходной модели; кроме того, поскольку модель основана на Llama 2, README сообщает о применимости условий лицензии Meta Llama 2. Вопросы взаимодействия этих лицензий рекомендуется уточнять в репозитории исходной модели.

facebook/dinov2-with-registers-giant — гигантская модель Vision Transformer семейства DINOv2 с дополнительными register-токенами, опубликованная командой DINOv2; карточку подготовила команда Hugging Face. Это предобученный трансформерный энкодер изображений для извлечения признаков и эмбеддингов. Модель не содержит дообученных классификационных голов, поэтому для классификации или другой целевой задачи обычно требуется отдельная голова или дообученная версия. Вариант с register-токенами предназначен для уменьшения артефактов в картах внимания и получения более интерпретируемых представлений. Число параметров — около 1,5 млрд; модель принимает изображения и выдаёт векторные представления. Лицензия — Apache-2.0. Карточка указывает на применение для извлечения признаков, но не приводит конкретные сведения о поддерживаемых размерах входа или языках.

facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

Карточка модели huyhuung/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

Efficient SPLADE от Naver — асимметричная модель поиска по тексту, представленная отдельными энкодерами для запросов и документов. Этот репозиторий содержит вариант для кодирования запросов; для поиска также нужен соответствующий энкодер документов. Модель преобразует предложения и абзацы в разреженные векторы размерности 30 522, пригодные для семантического поиска и извлечения пассажей. Архитектура основана на BERT с головой masked language modeling; максимальная длина входа — 512 токенов, а векторное сходство вычисляется скалярным произведением. В метаданных указано 4,4 млн параметров и поддержка английского языка; модель связана с MS MARCO. Модель подходит для построения поисковых систем и retrieval-компонента RAG, где требуется сопоставлять запросы с текстовыми фрагментами. Карточка приводит результаты на MS MARCO и низкую задержку для варианта Efficient SPLADE-VI-BT-large, но не уточняет условия измерений. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

Это англоязычный разреженный энкодер SPLADE, созданный разработчиками карточки на основе Luyu/co-condenser-marco с дообучением на MS MARCO с использованием hard negatives и дистилляции. Модель построена на BERT с головой masked language modeling и max-пулингом SPLADE; она преобразует предложения и абзацы в разреженные векторы размерности 30 522, сравниваемые скалярным произведением. Число параметров — 136,7 млн, контекст по метаданным — до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и разреженного поиска информации: векторизует запросы и документы, чтобы находить релевантные фрагменты. В README приведены оценки на наборах NanoMSMARCO и NanoBEIR. Модель принимает текст и выдаёт векторные представления; для запуска поддерживается библиотека sentence-transformers. Лицензия Apache-2.0. Модель оптимизирована для английского языка и обучалась на MS MARCO, поэтому качество на других языках и предметных областях может быть ниже; приведённые оценки получены на небольших Nano-наборах и не гарантируют качество на произвольных данных.

Falcon3-7B-Instruct-abliterated-GGUF — это GGUF-квантизированная версия инструкционной модели Falcon3-7B-Instruct-abliterated, подготовленная пользователем bartowski на основе модели huihui-ai. Квантизация выполнена с использованием llama.cpp и метода imatrix; доступны варианты от F16 до низкобитных Q3 и IQ3/IQ4. Модель предназначена для локального запуска и генерации текста, в том числе через LM Studio и другие совместимые приложения на базе llama.cpp. Модель относится к классу примерно 7-миллиардных языковых моделей и работает в текстовой модальности. В README заявлена поддержка английского, французского, испанского и португальского языков. Для диалогов используется формат с ролями system, user и assistant. Варианты Q6 и выше ориентированы на высокое качество, Q4 предлагают компромисс между качеством и требованиями к памяти, а Q3 предназначены для систем с ограниченным объёмом RAM. F16-файл занимает около 14,92 ГБ, наиболее компактные варианты — около 3,4–4,3 ГБ. К сильным сторонам относятся широкий выбор уровней квантизации, возможность локального запуска и сохранение высокого качества у вариантов Q5–Q8. Ограничения включают возможное снижение качества на низких уровнях квантизации; сведения об архитектуре, размере контекстного окна, производительности и мультимодальных возможностях в README не указаны. Модель распространяется по лицензии Falcon LLM License; для условий использования следует обратиться к официальной странице лицензии.

faster-whisper-bsc-large-v3-cat — конвертированная версия акустической модели whisper-bsc-large-v3-cat, подготовленная для распознавания речи на каталанском языке. Конверсию выполнил Abir Messaoudi в лаборатории языковых технологий Barcelona Supercomputing Center в мае 2025 года с помощью faster-whisper; модель распространяется в формате CTranslate2 и используется через библиотеку CTranslate2. Модель предназначена для преобразования каталанских аудиозаписей в обычный текст без пунктуации. Её можно применять для расшифровки аудиофайлов, в том числе речи из датасетов каталонских акцентов, парламентских выступлений и медиаматериалов. Это конверсия, а не результат нового обучения. Репозиторий указывает лицензию Apache-2.0. В README заявлен вывод без пунктуации; оценок точности и других ограничений не приведено.

fusion-embedding-2-k3-vision — обученный EximiusLabs проектор для поиска изображений по текстовым запросам. Он использует замороженный визуальный энкодер MoonViT-V2 из moonshotai/Kimi-K3 и переводит его признаки в общее пространство эмбеддингов fusion-embedding-2, совместимое с текстовыми представлениями. Языковая модель Kimi K3 в работе проектора не используется. Визуальная башня содержит около 401 млн параметров, обучаемый проектор — около 3,15 млн. Проектор формирует вектор изображения размерности 2048; модель предназначена для извлечения признаков и поиска изображений по тексту, а также может включать изображения в общий индекс с другими модальностями пространства fusion-embedding-2. В README приведены результаты теста text-to-image retrieval на Flickr30k, но перенос этих результатов на другие наборы данных не гарантирован. Модель обозначена авторами как исследовательское превью. Для запуска нужны веса визуальной башни из moonshotai/Kimi-K3 и проектор из этого репозитория. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

Модель представляет собой GGUF-конверсию GigaAM-v3 для библиотеки transcribe.cpp, подготовленную командой handy-computer на основе ai-sage/GigaAM-v3. Это офлайн-модель автоматического распознавания русской речи с жадным декодированием RNN-T. Она предназначена для преобразования 16 кГц моноаудио в текст и локального запуска без внешней языковой модели или подключения к интернету. В основе используется 16-слойный Conformer-энкодер; исходная модель GigaAM-v3 имеет около 220–240 млн параметров и предварительно обучалась на 700 000 часах русской речи с объективом HuBERT-CTC. Данная конверсия выводит строчные русские тексты без пунктуации, использует словарь из 33 символов и поддерживает токенные временные метки. Потоковая обработка, перевод и автоматическое определение языка не поддерживаются. Доступны варианты F32, F16 и квантизации Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 183 до 888 МБ. На полном тестовом наборе FLEURS ru из 775 высказываний показатель WER составляет около 8,07–8,12% в зависимости от квантизации. Модель ориентирована на русскую речь в различных доменах, включая естественную речь, колл-центры, фоновую музыку и речь с нетипичными характеристиками. Ограничения включают отсутствие пунктуации и нормализации текста, отсутствие потокового режима и ограничения базового декодирования для длинных аудиофайлов. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

Это квантизированная GGUF-версия модели AmanPriyanshu/gpt-oss-6.0b-specialized-all-pruned-moe-only-7-experts, подготовленная и опубликованная mradermacher. Модель основана на архитектуре Transformer с причинным языковым моделированием и использует подход mixture-of-experts с pruning: в исходной специализированной модели оставлены семь экспертов. В карточке также указано, что при подготовке использовались активации экспертов из набора AmanPriyanshu/GPT-OSS-20B-MoE-expert-activations. Модель предназначена для генерации текста, reasoning-сценариев и специализированных предметных задач на английском языке. Она поставляется в формате GGUF с imatrix-квантизациями различных уровней, поэтому может использоваться в средах, поддерживающих этот формат, при ограниченных ресурсах. Размер доступных файлов составляет примерно 3,7–4,0 ГБ, однако точные сведения о числе параметров, длине контекста, поддерживаемых модальностях и конкретных предметных областях в README не приведены. Сильными сторонами являются компактный размер, применение MoE и экспертного pruning, а также широкий выбор вариантов квантизации с компромиссом между качеством, скоростью и требованиями к памяти. Ограничения включают английскую языковую специализацию, возможное заметное снижение качества у наиболее агрессивных квантизаций и отсутствие подробных результатов оценки. Модель распространяется по лицензии Apache-2.0.

HyperCLOVAX-SEED-Text-Instruct-1.5B — текстовая генеративная модель NAVER на основе плотной архитектуры Transformer, содержащая 1,5 млрд параметров. Она предназначена для диалогов и выполнения инструкций, а также для задач понимания и генерации текста. По данным карточки, модель показывает конкурентные результаты на тестах корейского языка и культуры. Модель принимает и выдаёт текст и поддерживает контекст до 16 тысяч токенов. Обучение включало предварительное обучение, донастройку на качественных данных и инструктивную настройку; также применялось усиление для работы с длинным контекстом. Данные обучения включают материалы до августа 2024 года. В карточке указаны результаты на корейских бенчмарках и сравнение с другими моделями, но не приведены лицензия с конкретными условиями использования или оценки ограничений за пределами этих тестов.

jev2-legal — англоязычная Sentence Transformer модель, дообученная bwang0911 на базе sentence-transformers/all-mpnet-base-v2 на юридических наборах данных, включая COLIEE, Legal QA, Law StackExchange, CUAD QA, Privacy QA и материалы по судебным делам. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и нормализует их; для сравнения используется косинусное сходство. Архитектура включает MPNet, усреднение токенных представлений и нормализацию. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов, тогда как карточка модели задаёт максимальную длину последовательности 192 токена. Модель предназначена для семантического поиска по юридическим материалам, сопоставления вопросов с релевантными документами, оценки сходства текстов, поиска перефразировок и кластеризации. Карточка приводит результаты оценки на задачах поиска по юридическим документам и контрактам, но качество зависит от корпуса и сценария; модель создаёт эмбеддинги, а не готовые юридические ответы или заключения. Лицензия в предоставленных данных не указана.

jhgan/ko-sbert-sts — модель на основе BERT для получения плотных векторных представлений предложений и абзацев на корейском языке. Она обучена на данных KorSTS для оценки семантического сходства; размер модели — 137,8 млн параметров, размерность эмбеддингов — 768, максимальная длина контекста — 512 токенов. Модель подходит для сравнения смысла двух текстов, семантического поиска и кластеризации. В README приведены результаты оценки на KorSTS: корреляция Пирсона 81,55 и Спирмена 81,23 при косинусном сходстве. Для работы доступны веса PyTorch и TensorFlow; модель можно применять через Sentence-Transformers или Transformers с соответствующей операцией pooling. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Модель ориентирована на корейский язык и обучена на KorSTS; качество на других языках и задачах не подтверждено приведёнными результатами.

Карточка модели Yukang/Llama-2-13b-chat-longlora-32k-sft на Hugging Face совпадает с карточкой Yukang/Llama-2-70b-chat-longlora-32k-sft, поэтому описание составлено по ней. Yukang выпускает эту модель как часть семейства LongAlpaca — набора моделей для следования длинным инструкциям. Это дообученная версия Llama 2 Chat с 70 млрд параметров, созданная с применением LongLoRA и SFT; автор README сообщает, что данный SFT-чекпойнт снят с поддержки. Модель предназначена для генерации текста в ответ на инструкции и запросы с длинным контекстом. В названии заявлена настройка на контекст до 32 тысяч токенов, однако метаданные указывают native context в 4096 токенов, поэтому поддержку более длинного контекста следует считать ограниченной или требующей отдельной настройки. Доступен формат PyTorch; основным языком в предоставленных данных не обозначен. Модель основана на Llama 2 Chat и предназначена для экспериментального применения в сценариях диалогового следования инструкциям. Лицензия в предоставленных данных не указана.

Yukang выпускает эту модель как часть семейства LongAlpaca — набора моделей для следования длинным инструкциям. Это дообученная версия Llama 2 Chat с 70 млрд параметров, созданная с применением LongLoRA и SFT; автор README сообщает, что данный SFT-чекпойнт снят с поддержки. Модель предназначена для генерации текста в ответ на инструкции и запросы с длинным контекстом. В названии заявлена настройка на контекст до 32 тысяч токенов, однако метаданные указывают native context в 4096 токенов, поэтому поддержку более длинного контекста следует считать ограниченной или требующей отдельной настройки. Доступен формат PyTorch; основным языком в предоставленных данных не обозначен. Модель основана на Llama 2 Chat и предназначена для экспериментального применения в сценариях диалогового следования инструкциям. Лицензия в предоставленных данных не указана.

Distilled MetaCLIP 2 ViT-S/16 (worldwide) — модель семейства MetaCLIP 2, представленная авторами работы «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-worldwide из оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты классов, а модель сопоставляет их с изображением. Модель мультиязычная, построена на архитектуре MetaClip2Model и распространяется в формате safetensors для библиотеки Transformers. Карточка не сообщает размер модели и длину контекста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

ModernBERT-base Legal Spanish — модель Sentence Transformers, разработанная Wilfredo Martel и дообученная на испанском наборе юридических текстов small-spanish-legal-dataset. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и сравнения текстов. Модель основана на encoder-архитектуре ModernBERT, использует среднее pooling токенов и обрабатывает последовательности длиной до 8192 токенов. Модель предназначена для поиска юридических документов по запросу, оценки смыслового сходства, поиска перефразировок, кластеризации и классификации испаноязычных текстов. В README приведены результаты оценки поиска на наборах с размерностью векторов 768 и 512. Лицензия — Apache-2.0.

Kimi-K2.5-GGUF — это квантизированная версия мультимодальной модели Kimi-K2.5, разработанной Moonshot AI. Сборку в формате GGUF подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и обработки изображений с помощью совместимых локальных приложений, включая llama.cpp, LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. README не содержит сведений о поддерживаемых языках и размере контекста. Доступны варианты квантования от Q3 до Q8, включая Q4_K_M, Q5_K_M, Q6_K и Q8_0. Размер файлов составляет примерно от 421 до 643 ГБ, поэтому для запуска требуются значительные вычислительные ресурсы и память. Варианты Q6_K и Q5_K_M отмечены как рекомендуемые, Q4_K_M описан как базовый вариант для большинства сценариев, а Q8_0 обеспечивает максимально высокое качество среди доступных квантов. Более агрессивное квантование уменьшает требования к памяти, но снижает качество и может приводить к проблемам с повторением текста. Для мультимодального запуска также могут потребоваться mmproj-файлы. Модель распространяется по лицензии modified-MIT, обозначенной в README как other. Для корректной работы необходима поддержка Kimi-K2.5 в выбранном программном обеспечении; для недавно добавленных моделей может потребоваться обновление приложения.

Muse-Glimmer-30B-GGUF — квантизированная версия модели Muse-Glimmer-30B, разработанной meta-models. Модель распространяется в формате GGUF для запуска через llama.cpp и поддерживает текстовый ввод, а также изображения при использовании файла mmproj. Заявлена поддержка MTP и imatrix-квантизации. Объём модели составляет 30 млрд параметров. Модель предназначена для мультимодальных сценариев, в которых требуется обрабатывать текст и изображения, однако конкретные задачи, языки и размер контекстного окна в карточке не указаны. Доступны варианты с разными уровнями квантизации: от BF16 и Q8_0 до более компактных Q2–Q6 и IQ-форматов; рекомендуемым универсальным вариантом назван Q4_K_M размером 17,31 ГБ. Более компактные варианты экономят память, но могут снижать качество, а высокоточные требуют значительных ресурсов. Квантизацию выполнил bartowski с использованием llama.cpp. Лицензия — Apache-2.0.

Muse-Glimmer-30B-NVFP4-GGUF — набор из семи вариантов GGUF, созданный esatapedico на основе чекпойнта RedHatAI/Muse-Glimmer-30B-NVFP4. В основе лежит плотная 30-миллиардная vision-language-модель Muse-Glimmer от Meta с 52 трансформерными слоями и скользящим вниманием по шаблону «локальное, локальное, локальное, глобальное». Родная длина контекста — 131 072 токена. Файлы подготовлены для инференса в формате GGUF и сохраняют NVFP4-квантизацию весов внимания и MLP; варианты различаются точностью выходного слоя и токенных эмбеддингов. Хотя исходная модель поддерживает изображения и видео, в этом репозитории нет vision tower и mmproj, а автор проверял конвертации только как текстовые. Для корректной генерации требуется исправление Muse-Glimmer NVFP4: проверенный вариант — форк llama.cpp gabrielcosi с коммита 9ec0ea18; на стандартной сборке llama.cpp файлы могут загружаться, но генерировать некорректный текст. Лицензия — Apache-2.0.